Identificación automática del uso de mascarillas de protección facial: un estudio comparativo
DOI:
https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1077Palabras clave:
Máscaras, Aprendizaje Automático, Aprendizaje ProfundoResumen
Objetivos: El uso de mascarillas protectoras es una medida importante para reducir la transmisión del COVID-19 y otras enfermidades. El presente trabajo tiene como objetivo realizar un estudio comparativo entre diferentes modelos de aprendizaje profundo aplicado a la identificación de la mascarilla protectora (persona sin mascarilla, con mascarilla o con mascarilla mal colocada). Métodos: Se implementaron y evaluaron los modelos de redes neuronales convolucionales MobileNetV3, Xception, VGG19. En la implementación y ajuste de estos modelos se utilizó la técnica de transferencia de aprendizaje. Resultados: Los modelos evaluados presentaron precisiones entre 42% y 86%, esta última obtenida por el modelo Xception, superando los resultados reportados en la literatura relacionada. Conclusión: Los resultados apuntan al potencial promisorio del modelo Xception que, al posibilitar el monitoreo automático, permite orientar las personas sobre el uso correcto de las mascarillas protectoras, contribuyendo así a reducir la propagación de enfermedades a través de las vías respiratorias.
Citas
Freitas CM, Barcellos C, Villela DAM, organizadores. Covid-19 no Brasil: cenários epidemiológicos e vigilância em saúde [Internet]. Série Informação para ação na Covid-19. Fiocruz; 2021. doi: https://doi.org/10.7476/9786557081211
Organização Pan-Americana da Saúde. Orientação sobre o uso de máscaras no contexto da COVID-19: Orientação provisória, 6 de abril de 2020.
Agência Nacional de Vigilância Sanitária (Brasil). Nota técnica GVIMS/GGTES/ANVISA nº 03/2022: orientações para prevenção e controle da Monkeypox nos serviços de saúde. Brasília: ANVISA; 2022.
Pereira Junior A, Teixeira F, Homem T. Aplicação de visão computacional para o monitoramento do uso de máscaras de proteção. CONICT. 2020.
Costa VL, Teixeira EH, Mafra SB, Rodrigues JJPC. On the Performance Analysis of a TensorFlow based Neural Network for Face Mask Detection. 2021 IWCMC. 2021.
Das A, Ansari MW, and Basak R, Covid-19 Face Mask Detection Using TensorFlow, Keras and OpenCV. 2020 IEEE 17th INDICON. 2020, 1-5, doi: 10.1109/INDICON49873.2020.9342585.
Quiñonez-Cuenca F, Maza-Merchán C, Cuenca-Maldonado N, Quiñones-Cuenca M, Torres R, Sandoval F, et al. Evaluación de AIoT en modelos computacionales en la nube y en el borde aplicado a la detección de mascarillas. Ingenius. 2022 Jun; (27).
Vich I. Medical masks dataset images tfrecords [Internet]. Kaggle. 2020. [cited 2022 Jun 06]. Available from: https://bit.ly/3er0tb8
Ge S, Li J, Ye Q, Luo Z. MAFA [Internet]. 2018. [cited 2022 Jun 06]. Available from: https://bit.ly/3FBC52o
Siradjuddin IA, Agustien, Muntasa A. Faster Region-based Convolutional Neural Network for Mask Face Detection. 5th ICICoS. 2021. 282-286, doi: 10.1109/ICICoS53627.2021.9651744.
Mangalampalli R. MAFA data [Internet]. Kaggle. 2020. [cited 2022 Jun 10]. Available from: https://www.kaggle.com/datasets/rahulmangalampalli/mafa-data
DataFlair. Download Face Mask Data – DataFlair [Internet]. [cited 2022 Jun 08]. Available from: https://data-flair.training/blogs/download-face-mask-data/
Wang Z, Wang G, Huang B, Xiong Z, Hong Q, Wu H, et al. Masked face recognition dataset and application. arXiv; 2020. doi https://doi.org/10.48550/arxiv.2003.09093
Bhandary P. Prajnasb [Internet]. Github. 2020. [cited 2022 Jun 12]. Available from: https://github.com/prajnasb/observations/tree/master/experiements/data
Maranhão A. Face Mask Detection [Internet]. Kaggle. 2020. [cited 2022 Jun 12]. Available from: https://www.kaggle.com/andrewmvd/face-mask-detection
Howard A, Sandler M, Chu G, Chen L-C, Chen B, Tan M, et al. Searching for MobileNetV3 [Internet]. arXiv; 2019. doi: 10.48550/ARXIV.1905.02244 [cited 2022 Jun 25]. Available from: https://arxiv.org/abs/1905.02244
Chollet F. Xception: Deep learning with depthwise separable convolutions [Internet]. arXiv; 2017. doi: 10.48550/ARXIV.1610.02357 [cited 2022 Jun 27]. Available from: https://arxiv.org/abs/1610.02357
Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv; 2014. doi: 10.48550/ARXIV.1409.1556
Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural network. Advances in neural information processing systems 2012; 25.
NVIDIA. FFHQ dataset [Internet]. 2019. [cited 2022 Jun 25]. Available from: https://github.com/NVlabs/ffhq-dataset
Cabani A, Hammoudi K, Benhabiles H, Melkemi M. MaskedFace-Net – A dataset of correctly/incorrectly masked face images in the context of COVID-19. Smart Health. 2021; 19. [cited 2022 Jun 25]. Available from: https://www.sciencedirect.com/science/article/pii/S2352648320300362
Hammoudi K, Cabani A, Benhabiles H, Melkemi M. Validating the correct wearing of protection mask by taking a selfie: design of a mobile application "CheckYourMask" to limit the spread of COVID-19. CMES-Computer Modeling in Engineering & Sciences. 2020. 124 (3):1049-59.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, Corrado G, et al. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. arXiv; 2016. doi 10.48550/ARXIV.1603.04467.
Chollet F, et al. Keras [Internet]. GitHub; 2015. [cited 2022 Jun 29]. Available from: https://github.com/fchollet/keras.
Géron A. Mãos à Obra Aprendizado de Máquina com Scikit-Learn e TensorFlow: Conceitos, Ferramentas e Técnicas Para a Construção de Sistemas Inteligentes. Rio de Janeiro: Alta Books; 2019.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 José Voltan, Ronaldo Goldschmidt, Jefferson Oliva, Julio Duarte, Dalcimar Casanova, Marcelo Teixeira
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
